想优化COLMAP做三维重建，却没有思路？

主要观点总结

文章主要关于三维重建课程的二期内容。课程涵盖了传统sfm技术、新兴技术和未来趋势的讨论。

关键观点总结

关键观点1: 课程二期内容概述及与一期的差异

课程二期相较于一期增加了long-term feature sfm、view graph优化、多模态数据融合、先验地图的定位等内容，旨在提高鲁棒性和准确性，解决原框架的不足。

关键观点2: 课程的作用和重要性

课程不仅能让学员掌握视觉三维重建整个流程，对colmap框架有深刻的理解，还能将colmap中优秀的算法应用到其他地方，如gaussian splatting、AR视觉定位等。

关键观点3: 课程适合的人群

课程适合理工科相关专业，熟悉三维重建、线性代数、概率论等相关理论知识，有一定c++、python编程基础，已经入门三维重建研究领域的本科、硕士及博士研究生等。

关键观点4: 课程答疑方式

课程答疑主要在本课程对应的鹅圈子中进行，学员可随时提问。

文章预览

前言 在这门课程二期开课之前，我想说些心里话。时间飞逝，第一期课程的启动是2021年3月份左右，时至今日，已满三载有余，感概万千。这三年里面三维重建出现了各式各样的发展：nerf、gaussian splatting等，这些技术的出现无疑是对传统3D视觉的巨大冲击，但目前来看，大多数nerf和gaussian splatting 的输入还都是sfm的结果，根据开源的结果来看准确的说应该是使用colmap的结果作为输入，当然也有一些工作是without colmap的(目前并不多)。显而易见，传统的mvs的道路正在走向泯灭的路途中，而sfm这一个重要的环节何事会何时被新技术完全替换，我想应该在不久会出现，但是目前来看传统的sfm技术还扮演者一个重要的角色。 谈起sfm的作用(排除做类似photoscan、contextcapture的产品），目前除了提供给nerf和GS的输入之外，在AR领域也发挥着一个重要的作用-map-based ………………………………